Artigo em revista científica Q1
Mining categorical sequences from data using a hybrid clustering method
Luca de Angelis (De Angelis, L.); José G. Dias (Dias, J. G.);
Título Revista
European Journal of Operational Research
Ano
2014
Língua
Inglês
País
Países Baixos (Holanda)
Mais Informação
Web of Science®

N.º de citações: 12

(Última verificação: 2019-12-09 17:54)

Ver o registo na Web of Science®

Scopus

N.º de citações: 15

(Última verificação: 2019-12-08 12:33)

Ver o registo na Scopus

Abstract/Resumo
The identification of different dynamics in sequential data has become an every day need in scientific fields such as marketing, bioinformatics, finance, or social sciences. Contrary to cross-sectional or static data, this type of observations (also known as stream data, temporal data, longitudinal data or repeated measures) are more challenging as one has to incorporate data dependency in the clustering process. In this research we focus on clustering categorical sequences. The method proposed here combines model-based and heuristic clustering. In the first step, the categorical sequences are transformed by an extension of the hidden Markov model into a probabilistic space, where a symmetric Kullback-Leibler distance can operate. Then, in the second step, using hierarchical clustering on the matrix of distances, the sequences can be clustered. This paper illustrates the enormous potential of this type of hybrid approach using a synthetic data set as well as the well-known Microsoft dataset with website users search patterns and a survey on job career dynamics.
Agradecimentos/Acknowledgements
--
Palavras-chave
Data mining,Sequential data,Hidden Markov models,Clustering,Categorical data
  • Economia e Gestão - Ciências Sociais
Registos de financiamentos
Referência de financiamento Entidade Financiadora
PTDC/EGE-GES/103223/2008 Fundação para a Ciência e a Tecnologia
PEst-OE/EGE/UI0315/2014 Fundação para a Ciência e a Tecnologia

Com o objetivo de aumentar a investigação direcionada para o cumprimento dos Objetivos do Desenvolvimento Sustentável para 2030 das Nações Unidas, é disponibilizada no Ciência-IUL a possibilidade de associação, quando aplicável, dos artigos científicos aos Objetivos do Desenvolvimento Sustentável. Estes são os Objetivos do Desenvolvimento Sustentável identificados pelo(s) autor(es) para esta publicação. Para uma informação detalhada dos Objetivos do Desenvolvimento Sustentável, clique aqui.